Quand un directeur de portefeuille demande ce que l’IA peut faire pour lui, la question appelle une réponse en trois parties, parce que trois technologies différentes interviennent à trois endroits différents de la chaîne, et qu’aucune des trois ne prend la décision finale. Confondre ces trois endroits conduit à attendre d’un outil ce qu’il ne fait pas, puis à conclure que l’IA ne sert à rien en gestion de portefeuille de projets. La thèse de cet article est simple : l’apprentissage automatique estime, la recherche stochastique ordonnance, le modèle de langage restitue, et l’arbitrage reste au comité.
L’apprentissage automatique estime des durées et des dérives à partir d’historiques
Le premier endroit est l’estimation. Un portefeuille accumule des années de données : durées planifiées et durées constatées, reste à faire successifs, dates de jalon annoncées puis décalées, volumes de tickets fermés par itération. Ces séries sont le matériau d’un modèle d’apprentissage supervisé, qui apprend la relation entre les caractéristiques d’une activité et sa durée réelle.
Ce que produit un tel modèle est une estimation assortie d’une incertitude, pas une vérité. Sa qualité dépend entièrement de l’historique dont il dispose : un modèle entraîné sur des projets d’une nature donnée n’extrapole pas à une nature différente, et un historique dans lequel les durées planifiées ont été systématiquement ajustées après coup apprend cet ajustement plutôt que la réalité du terrain. L’apprentissage automatique ne corrige pas un référentiel dégradé, il en reproduit les biais.
Il faut donc poser deux questions à tout dispositif d’estimation : sur quel historique a-t-il appris, et qu’est-ce qui garantit que les projets à venir ressemblent à ceux sur lesquels il a appris. Sans réponse à ces deux questions, l’estimation produite n’est pas interprétable.
La recherche stochastique ordonnance sous contraintes
Le deuxième endroit est l’ordonnancement, et c’est un problème de nature entièrement différente. Il ne s’agit plus d’apprendre une régularité dans des données passées, mais de chercher, parmi un nombre immense de plans possibles, celui qui respecte les contraintes et se comporte le mieux selon un critère donné.
Le problème porte un nom dans la littérature : le RCPSP, ou Resource-Constrained Project Scheduling Problem, qui consiste à ordonnancer des activités soumises à des contraintes de précédence et de ressources (Hartmann et Briskorn, European Journal of Operational Research 207(1), 2010). Il est NP-difficile au sens fort (Blazewicz, Lenstra et Rinnooy Kan, Discrete Applied Mathematics 5(1), 1983), ce qui signifie qu’aucune méthode connue ne garantit de trouver le meilleur plan en temps raisonnable, et qu’il n’en existe vraisemblablement pas.
La réponse opérationnelle est une métaheuristique : une recherche qui explore l’espace des plans admissibles et retient le meilleur qu’elle ait rencontré, sans prouver qu’il n’en existe pas de meilleur ailleurs. C’est de l’intelligence artificielle au sens classique du terme, et il faut insister sur ce point parce que le mot a changé de sens dans l’usage courant : il n’y a aucun modèle de langage dans un moteur d’ordonnancement, aucun apprentissage sur vos données, aucune génération de texte. Les contraintes sont déclarées, le critère est déclaré, et le plan produit se vérifie indépendamment du chemin qui l’a trouvé.
Deux propriétés méritent d’être assumées plutôt que masquées. La recherche est stochastique : deux exécutions sur les mêmes données peuvent produire deux plans admissibles différents, parce que la recherche n’explore pas deux fois le même chemin. Ce sont deux scénarios, à comparer sur leurs conséquences. Et le résultat n’est pas l’optimum mathématique, que personne ne calcule à l’échelle d’un portefeuille réel : c’est le meilleur ordonnancement sous vos contraintes, ce qui est une affirmation plus modeste et vérifiable.
Le modèle de langage restitue et synthétise
Le troisième endroit est la restitution. Un plan calculé sur plusieurs centaines de milliers d’éléments de travail n’est pas lisible tel quel. Un modèle de langage sert à produire la synthèse qu’un comité peut lire : quelles équipes sont en tension, quels jalons se déplacent, ce qui distingue deux scénarios. Il sert aussi à interroger le portefeuille en langue naturelle plutôt qu’en requêtes.
Son périmètre s’arrête là. Un modèle de langage ne calcule pas un ordonnancement : il produit du texte plausible, et un plan plausible n’est pas un plan admissible. Si la synthèse et le calcul sont confondus dans un même dispositif, rien ne garantit que le texte lu par le comité corresponde au plan effectivement calculé. La séparation entre les deux n’est pas une subtilité d’architecture, c’est la condition pour que ce que lit le comité soit vérifiable.
Ce qu’aucune des trois ne fait
Aucune des trois familles ne prend l’arbitrage, et il importe de dire pourquoi. Un arbitrage de portefeuille tranche entre des critères qui ne se réduisent pas l’un à l’autre : une échéance réglementaire, un engagement commercial, une dette technique qui s’accumule, l’usure d’une équipe sollicitée trop longtemps. Ces critères ne sont pas commensurables, et leur pondération est une décision politique au sens propre, pas un calcul.
Ce que les trois familles produisent ensemble, c’est l’information sur laquelle cet arbitrage se fonde : une estimation assortie d’une incertitude, des plans admissibles qui respectent les contraintes déclarées, et une restitution lisible de ce qui distingue ces plans. Le responsable de projet et le comité conservent la décision. Ils la prennent avec l’écart mesuré entre deux scénarios plutôt qu’avec une intuition sur la faisabilité.
Cette répartition a une conséquence pratique sur la façon d’évaluer un outil. La bonne question n’est pas « est-ce que cet outil utilise de l’IA », qui n’a pas de réponse informative, mais « lequel des trois travaux fait-il, et avec quoi ». Un outil qui estime des durées, un outil qui ordonnance et un outil qui synthétise ne se comparent pas entre eux, et aucun des trois ne remplace les deux autres.
Chez Konatus, ces trois endroits sont traités séparément et de façon explicite. Le moteur d’ordonnancement est une recherche stochastique, dont les contraintes et le critère sont déclarés et discutables. Une simulation AlignIQ dure cinq minutes ; une simulation KoAlign, de dix à trente minutes. Les produits se branchent sur le référentiel existant, qu’il s’agisse de Jira ou de Primavera P6, sans le remplacer.
Dans votre organisation, lequel des trois travaux est aujourd’hui le plus coûteux en temps humain : estimer, ordonnancer ou restituer ?
